基于SWA—Gabor特征的步態(tài)識別

鄭慧平 李旭健 張陽

摘要：針對背包、外套等干擾因素致使步態(tài)識別率降低的問題，提出一種分割加權(quán)的步態(tài)識別方法。首先通過幀差法與閾值分割相結(jié)合的方法得到動態(tài)信息更加豐富的幀差閾值能量圖（FTDEI），將該能量圖分割為3部分，并對每部分添加相應(yīng)權(quán)重，然后利用Gabor小波對分割加權(quán)后的FTDEI進行不同角度的特征提取，得到加權(quán)的濾波特征（SWA-Gabor），最后通過KNN分類器對SWA-Gabor特征進行分類和識別?；诜指罴訖?quán)的步態(tài)識別方法能夠很好地避免背包等干擾因素的影響。為了驗證該算法的識別效果，在中國科學院自動化研究所CASIA-B步態(tài)數(shù)據(jù)庫上進行實驗，結(jié)果表明，在攜帶背包和外套的情況下，該算法的識別率較其它算法提高了約5%，取得了很好的識別效果。

關(guān)鍵詞：步態(tài)識別；步態(tài)能量圖；分割加權(quán)；Gabor小波；SWA-Gabor

DOI：10.11907/rjdk.181328

中圖分類號：TP301

文獻標識碼：A文章編號：1672-7800（2018）007-0040-04

Abstract：Inordertosolvetheproblemthatthegaitrecognitionrateisdecreasedduetotheinterferencefactorssuchasbackpacksandjackets，asegmentationweightedgaitrecognitionmethodisproposed.Firstly，aframedifferencethresholdenergymap（FTDEI）isobtainedbycombiningframedifferencemethodwiththresholdsegmentation，whichobtainsricherdynamicinformationWedividetheenergymapintothreeparts，addcorrespondingweightstoeachpart，anduseGaborwavelettoextractthecharacteristicsofFTDEIfromdifferentangles.Weightedfilteringfeatures（SWA-Gabor）areobtained.Finally，SWA-GaborfeaturesareclassifiedandidentifiedbyKNNclassifier.Thegaitrecognitionmethodbasedonsegmentationweightingcanreducetheinfluenceofinterferencefactorssuchasbackpacksbyweighting.Inordertoverifytherecognitioneffectoftheproposedalgorithm，experimentsarecarriedoutonCASIA-Bgaitdatabase.Experimentalresultsshowthattherecognitionrateoftheproposedalgorithmisimprovedbyabout5%comparedwithotheralgorithmsinthecaseofcarryingbackpacksandouterwear.

KeyWords：gaitrecognition；GEI；segmentationweighting；GaborWavelet；SWA-Gabor

0引言

步態(tài)識別作為人體重要的生物特征識別之一，因其具有遠距離、非接觸、可采集等優(yōu)點，相比傳統(tǒng)的生物特征識別方法能夠很好地解決視頻距離遠、人臉模糊以及其它無法進行身份識別的情況，在智能監(jiān)控、案件偵破等領(lǐng)域有著重要研究意義，成為身份識別的重要研究方向和研究熱點[1-2]。

由于視頻采集時間間隔長，人體外觀可能會發(fā)生很大變化，例如外出攜帶背包，天氣寒冷時穿著大衣，這些明顯的外觀變化將直接改變?nèi)梭w輪廓，進而影響識別結(jié)果，成為步態(tài)識別的一大難題[3]。為了克服外套和背包的影響，李孟歆等[4]提出只保留腿部局部信息，通過腿部運動變化進行步態(tài)識別，該方法很好地避免了上身背包和穿大衣對步態(tài)識別的干擾，但因刪除了大量上身靜態(tài)信息，所以識別率沒有很大提升。

對此，本文提出分割加權(quán)的思想，將人體的FTDEI能量圖劃分為3部分：頭部、上身及腿部，由于人體頭部和腿部含有非常重要的信息，所以增加頭部和腿部相應(yīng)的權(quán)重，為了降低人體上身著裝和攜帶物的影響，首先通過算法策略判斷人體是否背包，如有背包則減小其權(quán)重。該方法既保留了人體運動的大量信息，又避免了背包因素的影響，最后用Gabor小波進行特征提取，利用中科院自動化所CASIA-B步態(tài)數(shù)據(jù)集進行實驗，識別率較傳統(tǒng)方法提高了約5%。

1算法實現(xiàn)

1.1GEI生成策略

GEI步態(tài)能量圖是將一個周期內(nèi)的步態(tài)幀經(jīng)過二值化處理后，按其質(zhì)心點疊加重合，得到一幅平均步態(tài)輪廓圖像[5]，以此作為步態(tài)特征進行步態(tài)識別，該方法能夠簡化單幀圖像的復雜性，用一張步態(tài)能量圖代替一個周期的序列幀；忽略各幀之間的關(guān)聯(lián)性，更多地考慮步態(tài)幀的統(tǒng)計特性，在步態(tài)識別上取得了很好的識別效果[6]。步態(tài)能量圖定義如下：

其中，N代表一個周期內(nèi)序列幀數(shù)，t代表某一時刻的步態(tài)幀，x代表二維步態(tài)序列幀圖像中的橫坐標，y代表縱坐標，B代表二值輪廓圖，G代表最后得到的GEI灰度圖[7]，圖1為90°視角下步態(tài)能量圖合成過程。

1.2FTDEI能量圖獲取

GEI圖像雖然相比于一些基于模型的特征提取方法具有易獲取、魯棒性強等優(yōu)點[8]，但GEI圖像維數(shù)空間較高，含有較多冗余信息，為了突出關(guān)鍵動態(tài)信息，減小靜態(tài)信息的影響，本文提出結(jié)合幀差法與閾值分割法獲取動態(tài)能量圖。

基于幀差法與閾值分割法相結(jié)合獲取步態(tài)能量圖的具體步驟如下：

圖2中左側(cè)（a）為幀差圖像，（b）為一個步態(tài)周期內(nèi)幀差圖像的均值，（c）為幀差能量圖經(jīng)過閾值處理后的幀差閾值能量圖。

1.3SWA分割加權(quán)算法

為減少背包外套對于步態(tài)能量圖的影響，學者提出了不同的解決方法[10]，文獻[4]提出將人體圖像進行分割，只保留人體運動的腿部信息，通過腿部運動信息進行識別，該方法避免了上身外觀改變對步態(tài)的影響，但相應(yīng)減少了頭部等重要信息，致使正常行走狀態(tài)下的識別率降低。

對此，本文提出一種分割加權(quán)的思想，用來降低背包、外套等干擾因素的影響。通過分割加權(quán)算法將FTDEI能量圖劃分為3部分，分別為D1、D2、D3，如圖3所示：D1為人體頭部信息，特征較穩(wěn)定，區(qū)分度較高；D2部分為人體上身部分，易受背包、外套等因素干擾；D3部分為信息豐富的腿部運動部分，含有較多的動態(tài)信息。圖3為同一個人在不同狀態(tài)下的FTDEI能量圖，顯然，同一個人在不同狀態(tài)下獲得的能量圖在直觀上就有很大區(qū)別[11]。最后通過加權(quán)算法對每一部分進行加權(quán)，以突出不同部分的貢獻。

SWA分割加權(quán)算法中的分割算法如式（7）所示：

其中L（n）表示圖像的分割線，通過該分割線將動態(tài)步態(tài)能量圖劃分為3部分。P表示幀差閾值能量圖中間黑色部分的點集，如圖4所示的中間黑色區(qū)域。公式中|x2-x1|表示點集P中同一水平線上x1與x2兩點的水平距離。Ymax表示集合P中y取得最大值。PYmin|x2-x1|表示x2與x1兩點之間水平距離最短時所對應(yīng)的y值，此時根據(jù)人體先驗模型比例圖可知，PY取值范圍為0.818Ymax

根據(jù)分割算法求得分割線后，下一步將進行權(quán)重分配，SWA分割加權(quán)算法中的權(quán)重分配公式如下：

2基于SWA-Gabor的特征提取

FTDEI能量圖是通過幀差法與閾值分割相結(jié)合的方法獲得的動態(tài)步態(tài)能量圖，該能量圖去除了大量靜態(tài)信息，保留了人在走路過程中的動態(tài)信息。Gabor小波是描述圖像局部灰度分布的有力工具[12]，并能在多尺度、角度和頻率域中有效地對圖像進行表述，所以本文采用Gabor小波變換完成步態(tài)特征的提取。

鑒于Gabor濾波器參數(shù)的考慮，最終選用5個尺度和8個角度的Gabor小波[13]。將FTDEI能量圖與Gabor核函數(shù)進行卷積運算，取其幅值譜圖作為動態(tài)區(qū)域圖像的Gabor特征，形成5個尺度、8個角度的40張Gabor特征圖[14]，這樣原來的1個FTDEI特征對于GaborFTDEI變?yōu)?0個，從GaborFTDEI到SWA-GaborFTDEI，需要引入權(quán)重向量，用W表示[15]，如式（9）所示，w1、w2、w3分別代表了D1、D2、D3區(qū)域的權(quán)重，在后續(xù)分類的時候，會根據(jù)前文所提到的算法判斷是否含有背包，如果有就給W2一個比較小的權(quán)重。

SWA-GaborFTDEI的度量方法如式（10）所示。計算兩個樣本相似度的算法是計算這兩個樣本的所有GaborFTDEI特征的距離，并乘以相應(yīng)的權(quán)重，然后將每一部分GaborFTDEI特征的距離加權(quán)求和后得到SWA-GaborFTDEI特征的相似度[16]。Sb代表有背包時的相似度，Sub代表沒有背包時的相似度，觀察式（10）和式（11）可發(fā)現(xiàn)在計算SWA-GaborFTDEI相似度時，唯一區(qū)別在于計算SWA-GaborFTDEI歐式距離時所乘的權(quán)重因子不同[17]。

其中Wi為背包狀態(tài)下相應(yīng)權(quán)重，Wui為沒有背包狀態(tài)下權(quán)重，W不是一個常量，Wi和Wui的取值是根據(jù)i的取值決定[18]。為了簡化冗余的數(shù)據(jù)，降低數(shù)據(jù)維度，方便后續(xù)分類操作，采用PCA對SWA-Gabor特征進行降維[19]，得到最終的步態(tài)特征，在此基礎(chǔ)上進行分類識別。

3實驗結(jié)果

為了驗證基于SWA-Gabor特征提取算法的有效性，實驗在CASIA-B步態(tài)數(shù)據(jù)庫上進行，為了方便比較，這里統(tǒng)一采用了KNN分類器[20]，GEI、AEI、FTDEI和SWA-Gabor特征對比如下：

圖5為攜包狀態(tài)下各種算法在各個視角下的識別率。從圖中可以看出，本文算法在各個視角下的識別準確率比較穩(wěn)定，在攜帶背包的情況下平均識別率為73.1%，其它經(jīng)典算法的平均識別率為68.2%，相對于其它算法提高了約5%，有較明顯提高。衣著變化情況下各種方法在各個視角下的識別率如圖6所示。本文算法的平均識別率為77.2%，其它經(jīng)典算法平均識別率為73.7%，相對于其它算法在各個視角下均有明顯提高。

4結(jié)語

本文簡要介紹了GEI能量圖生成策略，在此基礎(chǔ)上對GEI進行優(yōu)化得到FTDEI能量圖，該能量圖去除了大量低頻信息，減少了信息冗余。為了降低背包、外套等干擾因素的影響，提出分割加權(quán)的思想，將FTDEI能量圖分為3部分，通過權(quán)重分配方法自適應(yīng)地得到每部分權(quán)重，并使用Gabor小波進行特征提取，得到豐富的SWA-Gabor特征。為了驗證本文特征提取算法的有效性，利用CASIA-B步態(tài)數(shù)據(jù)庫進行實驗。實驗表明，在有背包和外套干擾的情況下，本文提出的特征提取算法較傳統(tǒng)經(jīng)典算法在識別率上提高了約5%，取得了很好的識別效果。

參考文獻：

[1]盧官明，衣美佳.步態(tài)識別關(guān)鍵技術(shù)研究[J].計算機技術(shù)與發(fā)展，2015，25（7）：100-106.

[2]MURAYAMAJ.Identificationofapersonbasedongaitrecognition[A].TheSocietyofInstrumentandControlEngineers（SICE）：2015：5.

[3]孫卓.基于序列輪廓特征的步態(tài)識別研究[D].西安：西安科技大學，2017.

[4]李孟歆，姜佳楠，賈燕雯.基于步態(tài)能量圖的特征提取新方法[J].科技與創(chuàng)新，2016（22）：75-76.

[5]王竣，王修暉.特征融合的多視角步態(tài)識別研究[J].中國計量大學學報，2017，28（2）：234-240+268.

[6]劉玉淑.基于時間保持能量圖和Radon變換的步態(tài)識別[J].計算機工程與應(yīng)用，2011，47（29）：164-167.

[7]史東承，賈令堯，梁超等.基于相位一致性改進的步態(tài)識別方法[J].計算機工程，2017，43（10）：198-202+208.

[8]李凱，王國超.融合腿部局部特征的步態(tài)識別方法[J].計算機工程與設(shè)計，2016，37（5）：1340-1345.

[9]XINGXL，WANGKJ，YANT，etal.Completecanonicalcorrelationanalysiswithapplicationtomulti-viewgaitrecognition[J].PatternRecognition，2016，50（C）：107-117.

[10]劉萍.與服飾、攜帶物無關(guān)的多視角下的步態(tài)識別[D].長沙：國防科學技術(shù)大學，2015.

[11]涂潤.非模型步態(tài)識別的算法研究[D].武漢：華中科技大學，2015.

[12]楊曉超，周越，署光，等.基于Gabor相位譜和流型學習的步態(tài)識別方法[J].電子學報，2009，37（4）：753-757.

[13]SHAOH，WANGY.GaitrecognitionmethodbasedonintegratedGaborfeature[J].JournalofElectronicMeasurement&Instrumentation;，2017（4）：87-93.

[14]王昳昀.基于集成Gabor特征的步態(tài)識別方法研究[D].沈陽：沈陽工業(yè)大學，2017.

[15]ZORANZ，F(xiàn)ERDINANDVH.Efficientadaptivedensityestimationperimagepixelforthetaskofbackgroundsubtraction[J]，PatternRecognitionLetters，2006，27（7）：773-780.

[16]任勝兵，李興超等.基于人體動靜態(tài)特征融合的步態(tài)識別算法研究[D].長沙：中南大學，2012.

[17]王磊.基于步態(tài)能量圖和加權(quán)質(zhì)量向量的步態(tài)識別研究[D].長沙：湖南大學，2010.

[18]肖德貴，王磊.基于加權(quán)行質(zhì)量向量的步態(tài)識別方法[J].計算機工程，2011，37（11）：215-217.

[19]EKINCIM，AYKUTM.HumangaitrecognitionbasedonkernelPCAusingprojections[J].JournalofComputerScience&Technology;，2007（6）：867-876.

[20]賈令堯.基于步態(tài)能量圖的身份識別算法研究[D].長春：長春工業(yè)大學，2017.

（責任編輯：江艷）